水泥熟料烧成系统是水泥生产中最重要的环节,其中最关键的熟料煅烧理化反应在回转窑内进行,直接影响着水泥熟料的产量、质量和能耗。虽然随着设备可靠性的提高和生产工艺的改进,故障率在降低,但发生故障是不可避免的。水泥熟料烧成系统不仅庞大复杂,而且故障表现出不确定性和模糊性,使得传统的人工方法已经不能满足人们对水泥熟料烧成系统诊断的要求。基于此,本文依托水泥熟料烧成系统的生产工艺和系统机理,设计了基于改进贝叶斯网络的水泥熟料烧成系统的故障诊断模型,该诊断系统包括数据预处理、贝叶斯网络结构学习、贝叶斯网络参数学习和贝叶斯网络推理学习四部分。通过对烧成系统诊断模型的学习和推理,实现了对水泥熟料烧成系统的故障诊断。本文的具体内容如下:首先,针对现有贝叶斯网络结构学习经典算法中存在的缺陷,提出了一种改进的贝叶斯网络结构学习方法—BMT(Bayes Membership-threshold)算法,通过仿真实验验证BMT算法在基于大量完整数据集的情况下能改进算法的精度和准确率。因而,本文选用BMT算法作为水泥熟料烧成系统故障诊断模型的结构学习算法。然后,针对贝叶斯网络参数学习算法存在的一些不足,提出了一种改进的贝叶斯网络参数学习算法—AHD(Arrangement Health degree)算法,有效的解决了经典贝叶斯参数学习中先验分布的随机性和不确定性的问题。因此,本文选用AHD算法作为水泥熟料烧成系统故障诊断模型的参数学习算法。其次,对水泥熟料烧成系统进行了机理研究和的工艺分析,选取了研究变量、采集并量化了研究数据。为解决水泥回转窑故障诊断这一难题,将贝叶斯网络应用于水泥回转窑故障诊断,选用BMT算法训练量化后的数据并建立水泥回转窑故障诊断贝叶斯网络结构模型,选用AHD算法对结构模型进行参数学习,最终得到完整的水泥熟料烧成系统故障诊断模型的贝叶斯网络结构。最后,介绍了贝叶斯网络推理过程,采用经典变量消元(VE)法对水泥回转窑的故障诊断贝叶斯网络模型进行推理,根据数据实验得到的准确率曲线可以看出该诊断模型较高的诊断准确率。